CN110264093B - 信用模型的建立方法、装置、设备及可读存储介质 - Google Patents
信用模型的建立方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN110264093B CN110264093B CN201910551892.7A CN201910551892A CN110264093B CN 110264093 B CN110264093 B CN 110264093B CN 201910551892 A CN201910551892 A CN 201910551892A CN 110264093 B CN110264093 B CN 110264093B
- Authority
- CN
- China
- Prior art keywords
- credit
- weight value
- model
- data
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
- G06Q40/03—Credit; Loans; Processing thereof
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Finance (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Accounting & Taxation (AREA)
- Technology Law (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种信用模型的建立方法,该方法包括:获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。本发明还公开了一种信用模型的建立装置、设备和一种可读存储介质。本发明能够解决现有信用模型评估用户的信用准确度低的问题。
Description
技术领域
本发明涉及信用模型的技术领域,尤其涉及信用模型的建立方法、装置、设备及可读存储介质。
背景技术
目前,个人征信模型帮助消费贷款等机构对用户的个人信用进行分析,同时,用户也可以根据个人信用进行相关消费或贷款。
现有技术在使用用户信用模型对特征数据进行处理时,一般通过将用户信用模型的各个评估数据与该模型的对应参数通过Bagging(Bagging是一种用来提高学习算法准确度的方法,这种方法通过构造一个预测函数系列,然后以一定的方式将它们组合成一个预测函数)方法进行投票或者随机决定权重后进行加权求和,从而得到数据处理的结果,并根据该结果对用户的个人信用进行评估,但是,这种投票或者随机决定权重得到的数据处理结果评估用户的信用准确度低。
发明内容
本发明的主要目的在于提出一种信用模型的建立方法、装置及可读存储介质,旨在解决现有信用模型评估用户的信用准确度低的问题。
为实现上述目的,本发明提供一种信用模型的建立方法,所述方法包括如下步骤:
获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;
将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
优选地,所述基于约束优化算法和样本目标结果,对所述第一信用特征数据对应的权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型的步骤包括:
基于约束优化算法,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得每一轮迭代的所述第一信用特征数据对应的第一权重值;
基于第一信用特征数据基于第一信用特征数据和所述第一权重值,获得每一轮迭代对应的样本预测结果;
基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值;
获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
优选地,所述样本包括坏样本,所述基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值的步骤包括:
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率;
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。
优选地,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率的步骤包括:
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的样本数目与样本总数的比值,作为每一轮迭代的命中率;
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的坏样本数目与坏样本总数的比值,作为每一轮迭代的贡献率。
优选地,所述获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值的步骤包括:
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值,计算约束优化目标子值和约束优化目标母值;
根据约束优化目标子值和约束优化目标母值计算约束优化目标值。
优选地,所述将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据的步骤包括:
对所述样本的第一评估数据进行预处理,将预处理后的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据。
优选地,所述基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型的步骤之后,所述方法还包括:
获取待评估对象的不同类别的第二评估数据;
将第二评估数据输入第二信用模型中的对应类别的信用子模型,对应输出第二信用特征数据;
基于第二信用特征数据和各个信用子模型中对应的最终权重值,获得预测值;
根据所述预测值评估待评估对象的信用。
此外,为实现上述目的,本发明还提供一种信用模型的建立装置,所述装置包括:
获取模块,用于获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;
输入模块,用于将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
优化模块,用于基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
此外,为实现上述目的,本发明还提供一种信用模型的建立设备,所述装置包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信用模型的建立程序,所述信用模型的建立程序被所述处理器执行时实现如上所述的信用模型的建立方法的步骤。
此外,为实现上述目的,本发明还提供一种可读存储介质,所述可读存储介质上存储有信用模型的建立程序,所述信用模型的建立程序被处理器执行时实现如上所述的信用模型的建立方法的步骤。
本发明获取多个样本,每一个样本包括样本目标结果和评估同一对象的不同类别的第一评估数据,然后将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据,基于约束优化算法、样本目标结果,对所述第一信用特征数据进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型,本发明能够通过约束优化算法迭代优化获得集成各个信用子模型最终权重值,再通过最终权重值集成各个信用子模型,得到数据处理的结果评估用户信用,提高了信用模型评估用户信息的准确度,解决了现有信用模型评估用户的信用准确度低的问题。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图;
图2为本发明信用模型的建立方法第一实施例的流程示意图;
图3为本发明信用模型的建立方法第二实施例的流程示意图。
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明实施例的主要解决方案是:获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
现有的技术在使用用户信用模型对特征数据进行处理时,一般通过将用户信用模型的各个评估数据与该模型的对应参数进行投票或者随机决定权重后进行加权求和,从而得到数据处理的结果,并根据该结果对用户的个人信用进行评估,但是,这种投票或者随机决定权重得到的数据处理结果评估用户的信用准确度低。
本发明获取多个样本,每一个样本包括样本目标结果和评估同一对象的不同类别的第一评估数据,然后将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据,基于约束优化算法、样本目标结果,对所述第一信用特征数据进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型,本发明能够通过约束优化算法迭代优化获得集成各个信用子模型最终权重值,再通过最终权重值集成各个信用子模型,得到数据处理的结果评估用户信用,提高了信用模型评估用户信息的准确度,解决了现有信用模型评估用户的信用准确度低的问题。
如图1所示,图1是本发明实施例方案涉及的硬件运行环境的终端结构示意图。
本发明实施例终端可以是PC,也可以是智能手机、平板电脑、MP4(Moving PictureExperts Group Audio Layer IV,动态影像专家压缩标准音频层面3)播放器、便携计算机等具有显示功能的可移动式终端设备。
如图1所示,该终端可以包括:处理器1001,例如CPU,网络接口1004,用户接口1003,存储器1005,通信总线1002。其中,通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard),可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器,也可以是稳定的存储器(non-volatile memory),例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
优选地,终端还可以包括摄像头、RF(Radio Frequency,射频)电路,传感器、音频电路、WiFi模块等等。其中,传感器比如光传感器、运动传感器以及其他传感器。具体地,光传感器可包括环境光传感器及接近传感器,其中,环境光传感器可根据环境光线的明暗来调节显示屏的亮度,接近传感器可在移动终端移动到耳边时,关闭显示屏和/或背光。作为运动传感器的一种,重力加速度传感器可检测各个方向上(一般为三轴)加速度的大小,静止时可检测出重力的大小及方向,可用于识别移动终端姿态的应用(比如横竖屏切换、相关游戏、磁力计姿态校准)、振动识别相关功能(比如计步器、敲击)等;当然,移动终端还可配置陀螺仪、气压计、湿度计、温度计、红外线传感器等其他传感器,在此不再赘述。
本领域技术人员可以理解,图1中示出的终端结构并不构成对终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
如图1所示,作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及信用模型的建立程序。
在图1所示的终端中,网络接口1004主要用于连接后台服务器,与后台服务器进行数据通信;用户接口1003主要用于连接客户端(用户端),与客户端进行数据通信;而处理器1001可以用于调用存储器1005中存储的信用模型的建立程序,并执行以下操作:
获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;
将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
进一步地,处理器1001可以调用存储器1005中存储的信用模型的建立程序,还执行以下操作:所述基于约束优化算法和样本目标结果,对所述第一信用特征数据对应的权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型的步骤包括:
基于约束优化算法,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得每一轮迭代的所述第一信用特征数据对应的第一权重值;
基于第一信用特征数据和所述第一权重值,获得每一轮迭代对应的样本预测结果;
基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值;
获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
进一步地,处理器1001可以调用存储器1005中存储的信用模型的建立程序,还执行以下操作:所述样本包括坏样本,所述基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值的步骤包括:
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率;
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。
进一步地,处理器1001可以调用存储器1005中存储的信用模型的建立程序,还执行以下操作:根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率的步骤包括:
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的样本数目与样本总数的比值,作为每一轮迭代的命中率;
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的坏样本数目与坏样本总数的比值,作为每一轮迭代的贡献率。
进一步地,处理器1001可以调用存储器1005中存储的信用模型的建立程序,还执行以下操作:所述获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值的步骤包括:
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值,计算约束优化目标子值和约束优化目标母值;
根据约束优化目标子值和约束优化目标母值计算约束优化目标值。
进一步地,处理器1001可以调用存储器1005中存储的信用模型的建立程序,还执行以下操作:所述将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据的步骤包括:
对所述样本的第一评估数据进行预处理,将预处理后的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据。
进一步地,处理器1001可以调用存储器1005中存储的信用模型的建立程序,还执行以下操作:所述基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型的步骤之后,所述方法还包括:
获取待评估对象的不同类别的第二评估数据;
将第二评估数据输入第二信用模型中的对应类别的信用子模型,对应输出第二信用特征数据;
基于第二信用特征数据和各个信用子模型中对应的最终权重值,获得预测值;
根据所述预测值评估待评估对象的信用。
基于上述硬件结构,提出本发明方法实施例。
参照图2,图2为本发明方法第一实施例的流程示意图,所述方法包括:
步骤S10,获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;
本发明实施例应用于终端或者服务器,获取多个样本,每一个样本包括样本目标结果和评估同一对象不同类别的第一评估数据,且样本包括好样本和坏样本,好样本是指用户的信用良好的样本,坏样本是指用户的信用差的样本,例如:用户有违约的样本。
步骤S20,将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据,根据每一个类别的第一评估数据建立一个信用子模型,第一评估数据可以来源于不同的金融平台;
不同的金融平台提供的第一评估数据不同,例如:第一金融平台的提供的第一评估数据可以包括:信用卡还款数据、逾期数据、居住数据、还款状态、金融相关查询记录等,第二金融平台提供的第一评估数据可以包括:支付时间数据、支付金额数据、支付类型数据、信贷卡分类数据、相关金融评分数据,第三金融平台的第一评估数据可以包括:风险名单数据、信贷申请机构,信贷关注名单、金融模糊证据库规则、信贷逾期记录数据、手机号关系数据、金融黑名单数据、注册金融APP、手机号和身份证关联数据、信用查询机构等,第三金融平台的第一评估数据可以包括产品输出信息、特殊名单信息、多次贷款申请信息、身份核查信息、资产评估信息、品牌兴趣信息、商品消费信息、申请地址核对信息、媒体阅读信息等,第四金融平台提供的第一评估数据可以为账号状态、设备状态、登录申请状态、身份匹配信息、金融涉黑等其它信息;
不同金融平台提供的数据作为一个类别的第一评估数据,通过训练建立形成不同类别的信用子模型,信用子模型输出的第一信用特征数据,第一信用特征数据基于本金融平台的数据对用户的信用进行评估,不能综合其他的平台数据作出评估,评估的用户信用的准确度不高,可以进一步综合各信用子模型的数据对用户的信用进行评估,建立信用模型提高信用评估的准确性,信用子模型可以为决策树、神经网络模型等现有的模型。
步骤S30,基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
基于约束优化算法,获得每一轮迭代的所述特征数据对应的第一权重值;基于第一信用特征数据和所述第一权重值,计算每一轮迭代对应的样本预测结果;基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值;获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
在实施例中,获取多个样本,每一个样本包括样本目标结果和评估同一对象的不同类别的第一评估数据,然后将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据,基于约束优化算法、样本目标结果,对所述第一信用特征数据进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型,本发明能够通过约束优化算法迭代优化获得集成各个信用子模型最终权重值,再通过最终权重值集成各个信用子模型,得到数据处理的结果评估用户信用,提高了信用模型评估用户信息的准确度,解决了现有信用模型评估用户的信用准确度低的问题。
进一步地,参照图3,图3为本发明方法第二实施例的流程示意图。基于上述图2所示的实施例,步骤S30可以包括:
步骤S31,基于约束优化算法,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得每一轮迭代的所述第一信用特征数据对应的第一权重值;
在本发明实施中,可以基于约束优化算法,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得每一轮迭代的所述第一信用特征数据对应的第一权重值。
步骤S32,基于第一信用特征数据和所述第一权重值,获得每一轮迭代对应的样本预测结果;
获得每一轮迭代的第一信用特征数据对应的第一权重值时,基于第一信用特征数据和第一权重值,计算每一轮迭代对应的样本预测结果,样本预测结果的计算如下公式(1)所示,
Prob=wi=1*probi=1+wi=2*probi=2+Wi=3*probi=3+…+wi=n*probi=n (1)
其中,wi=1+wi=2+wi=3+…+wi=n=1,0≤wi≤1,Prob是第一信用模型输出的预测结果,probi是信用子模型i对应输出的第一信用特征数据,wi是信用子模型i输出的第一信用特征数据对应的权重值;
步骤S33,基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值;
在实施例中,将每一轮迭代的样本预测结果与样本对应的实际目标结果对比分析,根据分析结果计算每一轮迭代的约束优化目标值。
步骤S34,获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
通过每一轮迭代优化的权重值,计算样本预测结果,基于样本预测结果计算每一轮迭代的约束优化目标值,获取约束优化目标值中的最大值,将最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
本发明实施例中,基于约束优化算法,获得每一轮迭代的所述第一信用特征数据对应的第一权重值,基于第一信用特征数据和所述第一权重值,获得每一轮迭代对应的样本预测结果,基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值,获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。通过约束优化算法和约束优化目标值确认第一信用模型的最终权重值,形成第二信用模型,计算的预测结果更准确。
进一步地,本发明信用模型的建立方法第三实施例。基于上述的实施例,所述样本包括坏样本,步骤S33可以包括:
步骤S331,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率;
所述样本包括坏样本,坏样本是指用户的信用差的样本,例如:用户有违约的样本,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率,命中率为根据样本预测结果预测正确的坏样本数目与样本总数的比值,所述贡献率为根据样本预测结果预测正确的坏样本数目与坏样本总数的比值。
步骤S332,获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。
在实施例中,获取命中率的权重值和所述贡献率的权重值,命中率的权重值与所述贡献率的权重的值的和为1,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。
在实施例中,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率,获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。基于命中率和贡献率获得的约束优化目标值,以确认模型中的各个子模型对应的最终权重值,建立更准确的信用模型。
进一步地,本发明信用模型的建立方法第四实施例。基于上述的实施例,步骤S331可以包括:
步骤S3311,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的样本数目与样本总数的比值,作为每一轮迭代的命中率;
所述样本包括坏样本和好样本,好样本指用户的信用良好的样本,坏样本是指用户的信用差的样本,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的样本数目与样本总数的比值,作为每一轮迭代的命中率;
步骤S3312,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的坏样本数目与坏样本总数的比值,作为每一轮迭代的贡献率。
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的坏样本数目与坏样本总数的比值,作为每一轮迭代的贡献率。例如:样本包括n个坏样本和m个好样本,当前轮迭代坏样本的样本预测结果与坏样本的样本目标结果一致的数目为n-a个,则命中率为(n-a)/(m+n),贡献率则为:(n-a)/n。
在实施例中,计算命中率和贡献率,通过命中率和贡献率计算约束优化目标值,以确认模型中的各个子模型对应的最终权重值,建立更准确的信用模型。
进一步地,本发明信用模型的建立方法第五实施例。基于上述的实施例,步骤S332可以包括:
步骤S3321,获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值,计算约束优化目标子值和约束优化目标母值;
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值,计算约束优化目标子值和约束优化目标母值,约束优化子值的计算如下公式(2),约束优化母值的计算公式如下公式(3),
F1=w*命中率×(1-w)*贡献率 (2)
F2=w*命中率+(1-w)*贡献率 (3)
其中,w为命中率的权重值,1-w为贡献率的权重值,F1为约束优化子值,F2为约束优化母值。
步骤S3322,根据约束优化目标子值和约束优化目标母值计算约束优化目标值。
根据约束优化目标子值和约束优化目标母值计算约束优化目标值,约束优化目标值的计算公式如公式(4):
本实施例中,通过命中率和贡献率计算约束优化目标值,以确认模型中的各个子模型对应的最终权重值,建立更准确的信用模型。
进一步地,本发明信用模型的建立方法第六实施例。基于上述的实施例,步骤S20包括:
步骤S21,对所述样本的第一评估数据进行预处理,将预处理后的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据。
对获取的样本的第一评估数据进行预处理,对第一评估数据中非结构化的数据进行关键字提取、缺失值填充、格式转换等预处理,以便将预处理后的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据,通过对第一评估数据进行预处理,增加信用模型的处理速度,以及模型预测结果的准确性。
进一步地,本发明信用模型的建立方法第六实施例。基于上述的实施例,步骤S30之后,所述方法包括:
步骤S40,获取待评估对象的不同类别的第二评估数据;
步骤S50,将第二评估数据输入第二信用模型中的对应类别的信用子模型,对应输出第二信用特征数据;
步骤S60,基于第二信用特征数据和各个信用子模型中对应的最终权重值,获得预测值;
步骤S70,根据所述预测值评估待评估对象的信用。
获取待评估对象的不同类别的第二评估数据,将不同类别的第二评估数据输入第二信用模型中对应类别的信用子模型,通过各信息子模型处理,对应输出第二信用特征数据,基于第二信用特征数据和各个信用子模型中对应的最终权重值,加权求和,获得预测值,根据所述预测值评估待评估对象的信用,将预测值与预设阈值进行对比分析,在预测值小于预设阈值时,则确认待评估对象的信用差,在预测值大于或等于预设阈值时,则确认待评估对象的信用良好。
本发明还提供一种信用模型的建立装置,所述装置包括:
获取模块,用于获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据;
输入模块,用于将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
优化模块,用于基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
本发明还提供一种信用模型的建立设备。
本发明信用模型的建立设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的信用模型的建立程序,所述信用模型的建立程序被所述处理器执行时实现如上所述的信用模型的建立方法的步骤。
其中,在所述处理器上运行的信用模型的建立程序被执行时所实现的方法可参照本发明信用模型的建立方法各个实施例,此处不再赘述。
本发明还提供一种可读存储介质。
本发明可读存储介质上存储有信用模型的建立程序,所述信用模型的建立程序被处理器执行时实现如上所述的信用模型的建立方法的步骤。
其中,在所述处理器上运行的信用模型的建立程序被执行时所实现的方法可参照本发明信用模型的建立方法各个实施例,此处不再赘述。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述,不代表实施例的优劣。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中,包括若干指令用以使得一台终端设备(可以是手机,计算机,服务器,空调器,或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种信用模型的建立方法,其特征在于,所述方法包括如下步骤:
获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据,其中,所述第一评估数据来源于多个不同的金融平台,所述第一评估数据包括信用卡还款数据、逾期数据、居住数据、还款状态、金融相关查询记录、支付时间数据、支付金额数据、支付类型数据、信贷卡分类数据和相关金融评分数据;
将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型;
其中,所述基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型的步骤包括:
基于约束优化算法,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得每一轮迭代的所述第一信用特征数据对应的第一权重值;
基于第一信用特征数据和所述每一轮迭代后的第一权重值,获得每一轮迭代对应的样本预测结果;
基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值;
获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
2.如权利要求1所述的信用模型的建立方法,其特征在于,所述样本包括坏样本,所述基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值的步骤包括:
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率;
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值。
3.如权利要求2所述的信用模型的建立方法,其特征在于,根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的贡献率和命中率的步骤包括:
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的样本数目与样本总数的比值,作为每一轮迭代的命中率;
根据样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的样本预测结果预测正确的坏样本数目与坏样本总数的比值,作为每一轮迭代的贡献率。
4.如权利要求2所述的信用模型的建立方法,其特征在于,所述获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值计算每一轮迭代的约束优化目标值的步骤包括:
获取所述命中率的权重值和所述贡献率的权重值,基于所述贡献率、贡献率的权重值、命中率和命中率的权重值,计算约束优化目标子值和约束优化目标母值;
根据约束优化目标子值和约束优化目标母值计算约束优化目标值。
5.如权利要求1-4任一项所述的信用模型的建立方法,其特征在于,所述将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据的步骤包括:
对所述样本的第一评估数据进行预处理,将预处理后的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据。
6.如权利要求5所述的信用模型的建立方法,其特征在于,所述基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型的步骤之后,所述方法还包括:
获取待评估对象的不同类别的第二评估数据;
将第二评估数据输入第二信用模型中的对应类别的信用子模型,对应输出第二信用特征数据;
基于第二信用特征数据和各个信用子模型中对应的最终权重值,获得预测值;
根据所述预测值评估待评估对象的信用。
7.一种信用模型的建立装置,其特征在于,所述装置包括:
获取模块,用于获取多个样本,每一个所述样本包括样本目标结果和评估同一对象的不同类别的第一评估数据,其中,所述第一评估数据来源于多个不同的金融平台,所述第一评估数据包括信用卡还款数据、逾期数据、居住数据、还款状态、金融相关查询记录、支付时间数据、支付金额数据、支付类型数据、信贷卡分类数据和相关金融评分数据;
输入模块,用于将样本的第一评估数据输入第一信用模型中的对应类别的信用子模型中,对应输出第一信用特征数据;
优化模块,用于基于约束优化算法、样本目标结果,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型;
其中,所述优化模块具体用于基于约束优化算法,对所述第一信用特征数据对应的第一权重值进行迭代优化,获得每一轮迭代的所述第一信用特征数据对应的第一权重值;
基于第一信用特征数据和所述每一轮迭代后的第一权重值,获得每一轮迭代对应的样本预测结果;
基于样本目标结果和每一轮迭代的样本预测结果,计算每一轮迭代的约束优化目标值;
获取约束优化目标值中的最大值对应的第一权重值,作为各个信用子模型对应的最终权重值,并根据最终权重值更新第一信用模型,形成第二信用模型。
8.一种信用模型的建立设备,其特征在于,所述设备包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的程序,所述信用模型的建立程序被所述处理器执行时实现如权利要求1至6中任一项所述的信用模型的建立方法的步骤。
9.一种可读存储介质,其特征在于,所述可读存储介质上存储有信用模型的建立程序,所述信用模型的建立程序被处理器执行时实现如权利要求1至6中任一项所述的信用模型的建立方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551892.7A CN110264093B (zh) | 2019-06-21 | 2019-06-21 | 信用模型的建立方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910551892.7A CN110264093B (zh) | 2019-06-21 | 2019-06-21 | 信用模型的建立方法、装置、设备及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110264093A CN110264093A (zh) | 2019-09-20 |
CN110264093B true CN110264093B (zh) | 2023-08-01 |
Family
ID=67920969
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910551892.7A Active CN110264093B (zh) | 2019-06-21 | 2019-06-21 | 信用模型的建立方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110264093B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107545500A (zh) * | 2016-06-28 | 2018-01-05 | 阿里巴巴集团控股有限公司 | 排序校准方法、装置及服务器 |
CN110889759A (zh) * | 2019-11-21 | 2020-03-17 | 北京三快在线科技有限公司 | 信用数据的确定方法、装置及存储介质 |
CN113537666B (zh) * | 2020-04-16 | 2024-05-03 | 马上消费金融股份有限公司 | 评测模型训练方法、评测和业务审核方法、装置及设备 |
CN114358920A (zh) * | 2022-01-07 | 2022-04-15 | 北京百度网讯科技有限公司 | 迭代信用评分卡模型的方法、装置、电子设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106156941B (zh) * | 2016-06-06 | 2018-01-23 | 腾讯科技(深圳)有限公司 | 一种用户信用评分优化方法和装置 |
CN109670940A (zh) * | 2018-11-12 | 2019-04-23 | 深圳壹账通智能科技有限公司 | 基于机器学习的信用风险评估模型生成方法及相关设备 |
CN109767312B (zh) * | 2018-12-10 | 2023-05-09 | 江西师范大学 | 一种信用评估模型训练、评估方法与装置 |
-
2019
- 2019-06-21 CN CN201910551892.7A patent/CN110264093B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110264093A (zh) | 2019-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110264093B (zh) | 信用模型的建立方法、装置、设备及可读存储介质 | |
CN111476306B (zh) | 基于人工智能的物体检测方法、装置、设备及存储介质 | |
US9098888B1 (en) | Collaborative text detection and recognition | |
CN111126258A (zh) | 图像识别方法及相关装置 | |
CN110335139B (zh) | 基于相似度的评估方法、装置、设备及可读存储介质 | |
CN110472162B (zh) | 评估方法、系统、终端及可读存储介质 | |
US11854113B2 (en) | Deep learning methods for event verification and image re-purposing detection | |
CN112529679A (zh) | 企业授信模型的构建方法、装置、设备及可读存储介质 | |
CN113822460A (zh) | 一种交通流量预测方法、装置、电子设备和存储介质 | |
CN111476144B (zh) | 行人属性识别模型确定方法、装置及计算机可读存储介质 | |
CN112801489B (zh) | 诉讼案件风险检测方法、装置、设备和可读存储介质 | |
CN112381224A (zh) | 神经网络训练方法、装置、设备及计算机可读存储介质 | |
CN110392115B (zh) | 区块链节点管理方法、装置和可读存储介质 | |
CN112766164A (zh) | 人脸识别模型训练方法、装置、设备及可读存储介质 | |
CN109754319B (zh) | 信用分值确定系统、方法、终端及服务器 | |
CN109670393B (zh) | 人脸数据采集方法、设备、装置及计算机可读存储介质 | |
CN110992930A (zh) | 声纹特征提取方法、装置、终端及可读存储介质 | |
CN112906772A (zh) | 样本处理方法、装置、设备及计算机可读存储介质 | |
CN112529699A (zh) | 企业授信模型的构建方法、装置、设备及可读存储介质 | |
CN112668886A (zh) | 租赁业务的风险监控方法、装置、设备及可读存储介质 | |
CN112734568B (zh) | 信用评分卡模型构建方法、装置、设备及可读存储介质 | |
CN110674994A (zh) | 数据价值评估方法、终端、装置及可读存储介质 | |
CN112669142B (zh) | 高维行为数据的建模方法、装置、设备及可读存储介质 | |
CN110880066B (zh) | 特征数据的处理方法、终端、装置及可读存储介质 | |
CN112633904B (zh) | 投诉行为分析方法、装置、设备及计算机可读存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |